本书简要介绍了当今人工智能的主要技术，可粗略反映人工智能发展的轨迹。其中前七章主要介绍了感知机、支持向量机、朴素贝叶斯分类器、决策树、聚类、文本处理等人工智能的基础知识，侧重充实贝叶斯统计推断和马尔可夫链；第八章“推理和计算”承前启后，内容是经典的，思想源于法国吉尔·多维克著的《计算进化史改变数学的命运》一书；后三章介绍了强化学习、分形几何、生成式对抗网络、器类等当代人工智能的前沿知识。本书尝试以数理逻辑、信息论、博弈论作为人工智能的基础理论。
本书可作为应用型本科、高职院校学生的学习用书，也适合用作培训教材和自学者的参考用书。

第一章 人工智能缘起
1.1 新公民索菲亚
1.2 人工智能（AI）简史
1.2.1 机器与智能（1956年之前）
1.2.2 人工智能的形成与发展（1956年～20世纪末）
1.2.3 人工智能+时代（进入21世纪）
1.3 通用图灵机
习题一
第二章 线性分类器
2.1 感知机
2.1.1 数学知识回顾
2.1.2 样本数据预备
2.1.3 感知机模型
2.1.4 感知机学习算法
2.1.5 感知机训练
2.2 支持向量机
2.2.1 数学知识回顾
2.2.2 线性支持向量机
2.2.3 损失函数
实验实训一 训练线性分类器
习题二
第三章 深度学习
3.1 由生物神经元到M-P模型
3.1.1 神经元模型
3.1.2 感知机重述
3.1.3 多层感知机
3.1.4 反向传播算法
3.2 卷积神经网络
3.2.1 卷积层
3.2.2 非线性激活层ReLU
3.2.3 池化层
3.2.4 全连接层
3.2.5 Softmax归一化指数层
3.2.6 AlexNet的网络架构
3.3 循环神经网络
附录 反向传播算法
实验实训二 人脸识别
习题三
第四章 贝叶斯分类器
4.1 贝叶斯概率
4.1.1 可列集
4.1.2 贝叶斯概率
4.1.3 条件概率和独立性
4.1.4 期望值
4.2 信息与熵
4.2.1 自信息和互信息
4.2.2 信息熵
4.2.3 贝叶斯法则
4.2.4 最大熵原理
4.3 贝叶斯分类器
附录 log计算数值
实验实训三 训练贝叶斯分类器
习题四
第五章 决策树
5.1 决策树模型
5.1.1 树状图
5.1.2 特征优先问题
5.2 特征选择
5.2.1 样本集信息熵
5.2.2 信息增益
5.2.3 信息增益率
5.3 决策树的生成
习题五
第六章 聚类
6.1 K均值聚类
6.1.1 聚类的简单例子
6.1.2 K均值聚类
6.2 EM算法
6.3 高斯混合聚类
6.3.1 正态分布回顾
6.3.2 高斯混合聚类
6.4 层次聚类
实验实训四 K均值聚类
习题六
第七章 文本处理
7.1 马尔可夫链
7.1.1 马尔可夫链
7.1.2 n步转移矩阵
7.1.3 平稳分布
7.1.4 马尔可夫链注释
7.2 网页排名
7.2.1 简单网页排名
7.2.2 PageRank算法
7.3 文本特征
7.3.1 词袋模型
7.3.2 中文分词
7.3.3 语料库和词典
7.3.4 词频率与逆文档频率（TF-IDF）
7.3.5 文档特征
7.4 文档相似性
7.4.1 向量间的夹角
7.4.2 余弦相似性度量法
实验实训五 文本处理
习题七
第八章 推理和计算
8.1 命题逻辑
8.1.1 命题和联结词
8.1.2 命题形式
8.1.3 推理形式
8.1.4 命题逻辑的形式系统P
8.2 谓词演算
8.2.1 谓词演算的符号化
8.2.2 谓词演算的形式系统
8.2.3 知识库
8.3 机器学习
8.3.1 机器学习过程
8.3.2 模型优化
习题八
第九章 强化学习
9.1 博弈基础
9.1.1 囚徒困境
9.1.2 猜硬币博弈
9.1.3 混合策略纳什均衡
9.2 单步强化学习
9.2.1 马尔可夫性质、马尔可夫过程、马尔可夫链回顾
9.2.2 智能体
9.2.3 K-摇臂老虎机
9.3 Q-学习
9.3.1 时间差
9.3.2 折扣因子
9.3.3 Q-学习
习题九
第十章 AI艺术创作
10.1 分形艺术
10.1.1 自相似与丢勒的五边形
10.1.2 分形维数
10.2 希尔伯特（Hilbert）曲线
10.2.1 二进制、四进制和十进制
10.2.2 Hilbert曲线及编码
10.3 图像风格迁移
10.3.1 生成式对抗网络
10.3.2 图像风格迁移
实验实训六 图像风格迁移
习题十
第十一章 人工智能与自然智能
11.1 器类与人类
11.2 器类的未来
习题十一
参考文献
习题参考答案